DeGS: A Scalable 3DGS Architecture via Decoupled Workload Parsing and Reorganization
作者: Minnan Pei, Gang Li, Zeyu Zhu, Siting Wang, Junwen Si, Zhuoran Song, Yu Feng, Fangxin Liu, Xiaoyao Liang, Jian Cheng
分类: cs.AR, cs.AI, cs.CV
发布日期: 2026-08-03
备注: Accepted to the 59th IEEE/ACM International Symposium on Microarchitecture (MICRO 2026)
💡 一句话要点
提出DeGS架构以解决3DGS加速器的可扩展性问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 3D高斯点云 实时渲染 架构设计 数据流解耦 性能优化 能效提升 图形处理 虚拟现实
📋 核心要点
- 现有3DGS加速器在增加处理单元时性能提升有限，主要由于数据流的紧耦合导致PE利用率低下。
- DeGS架构通过解耦数据流，将渲染过程中的多个检查与混合阶段重组为连续的工作负载解析、重组和混合阶段，提升了工作负载的紧凑性与无冲突性。
- 在28纳米技术下，DeGS在高分辨率下保持超过80%的PE利用率，显著优于现有加速器，提升幅度达到2.36至7.25倍的吞吐量。
📝 摘要（中文）
3D高斯点云渲染（3DGS）已成为实时新视图合成的领先技术，但现有3DGS加速器在架构可扩展性方面表现不佳：增加处理单元（PE）数量对渲染性能的提升有限。本文提出DeGS架构，通过解耦工作负载解析与重组，系统性消除渲染中的冗余，显著提高PE的利用率。DeGS在28纳米技术下实现了2.36至7.25倍的吞吐量、1.82至6.02倍的端到端加速和1.59至4.42倍的能效，相较于现有的3DGS加速器在多种场景和分辨率下表现优异。
🔬 方法详解
问题定义：现有3DGS加速器在渲染过程中存在紧耦合的数据流，导致PE利用率低下，且在增加PE数量时性能提升有限。
核心思路：本文提出DeGS架构，通过解耦工作负载解析与重组，系统性消除渲染中的空间冗余和时间冗余，从而提高PE的利用率。
技术框架：DeGS架构将传统渲染过程中的$α$检查、透射检查和$α$混合重组为连续的工作负载解析、重组和混合阶段，优化了数据流。
关键创新：DeGS的核心创新在于解耦数据流，使得工作负载在混合前被重组为紧凑且无冲突的形式，这与现有方法的紧耦合设计形成鲜明对比。
关键设计：在实现中，DeGS采用28纳米工艺，优化了PE的配置和调度策略，以确保在高分辨率下保持高PE利用率。具体的参数设置和网络结构细节在论文中进行了详细讨论。
🖼️ 关键图片
📊 实验亮点
DeGS在28纳米技术下实现了2.36至7.25倍的吞吐量提升，1.82至6.02倍的端到端加速，以及1.59至4.42倍的能效提升。通过从16到1024个PE的扩展，DeGS在高分辨率下保持超过80%的PE利用率，显著优于现有的3DGS加速器。
🎯 应用场景
DeGS架构在实时图形渲染、虚拟现实和增强现实等领域具有广泛的应用潜力。其高效的渲染能力和优越的能效比将推动更复杂场景的实时处理，提升用户体验，并为未来的图形处理技术奠定基础。
📄 摘要（原文）
3D Gaussian Splatting (3DGS) has emerged as a leading technique for real-time novel view synthesis, yet existing 3DGS accelerators suffer from poor architectural scalability: increasing the number of PEs leads to marginal performance improvement during rendering. We identify that the root cause is the tightly coupled ``checking-while-blending'' dataflow, which exacerbates PE underutilization caused by spatial redundancy from irregular Gaussian coverage and temporal redundancy from asynchronous pixel-wise termination under parallel execution. To address this issue, we propose DeGS, a scalable architecture for efficient 3DGS inference. To systematically eliminate the redundancies inherent in rendering, DeGS exploits a decoupled dataflow, restructuring the coupled $α$-checking, transmittance checking, and $α$-blending of the standard rendering process into consecutive workload parsing, reorganization, and blending stages. This allows the fragmented, length-variable, and temporal-dependent workloads to be reorganized into compact, conflict-free, and dense workloads prior to blending, thereby significantly improving PE utilization during parallel blending. Implemented in 28 nm technology, DeGS achieves 2.36$\times$--7.25$\times$ throughput, 1.82$\times$--6.02$\times$ end-to-end speedup, and 1.59$\times$--4.42$\times$ energy efficiency over state-of-the-art 3DGS accelerators (GSCore, GBU, GCC) across diverse scenes and resolutions (720p to 8K). Moreover, scaling from 16 to 1024 PEs, DeGS maintains over 80\% PE utilization at high resolutions, significantly outperforming existing accelerators.